Strömuttransformator (CT) mättnadsklassificering med empirisk modbrytning (EMD) och relevance vector machine (RVM)

Varför detta är viktigt för att hålla strömmen

Moderna kraftnät förlitar sig på skyddsanordningar som på några tusendels sekunder måste avgöra om utrustning ska kopplas bort vid ett fel. De besluten bygger på sensorer kallade strömuttransformatorer (CT), som reducerar stora strömmar så att elektroniken kan mäta dem säkert. När CT:er blir "mättade" slutar de rapportera den verkliga strömmen, och skyddssystem kan tveka eller lösa ut i onödan—vilket riskerar strömavbrott eller skadad hårdvara. Den här studien presenterar en ny datadriven metod för att snabbt och tillförlitligt upptäcka CT-mättnad, även under brusiga och snabbt föränderliga nätförhållanden.

Den dolda svagheten i en kritisk sensor

Strömuttransformatorer fungerar som precisa mättrattar och omvandlar tusentals ampere i en kraftledning till en liten, hanterbar signal för reläer och mätare. Men vid fel—till exempel kortslutningar på långa transmissionsledningar—kan CT:ens magnetiska kärna pressas bortom sin normala arbetsregion. När den mättas blir utgångsvågformen förvrängd och "plattad", och speglar inte längre verklig ström. Skyddsreläer som förlitar sig på denna förvrängda signal kan bedöma felaktigt om ett fel ligger innanför eller utanför ett skyddat område. Tidigare metoder för att upptäcka mättnad använde ofta fasta trösklar, enkla vågformslutningar eller specifika CT-modeller, och hade ofta problem med brus, förändrade laster och subtil, tidig mättnad.

Att simulera många sätt ett nät kan gå fel

För att rigoröst testa nya idéer byggde författarna en detaljerad datormodell av ett kraftsystem i PSCAD, där en generator, en transmissionsledning och skyddsutrustning kopplades ihop. De injicerade fel på många olika punkter längs linjen, varierade feltyper (såsom linje-till-jord och trefasfel), justerade felresistans och ändrade fasvinkeln vid vilken ett fel började på spänningsvågen. De ändrade också CT-specifika faktorer som belastningen på sekundärsidan, kvarvarande magnetism i CT-kärnan och brusnivån i mätningarna. Med en realistisk hysteresismodell för CT genererade de mer än 200 000 exempel på strömmar som spänner över tre kategorier: ingen mättnad, måttlig mättnad och svår mättnad. Denna stora, noggrant strukturerade datamängd säkerställde att metoden testades över förhållanden som skyddstekniker möter i praktiken.

Att bryta komplexa vågor i enklare delar

Kärnan i den föreslagna metoden är en signalbehandlingsmetod kallad Empirical Mode Decomposition (EMD). Istället för att anta att alla signaler kan beskrivas med fasta sinusvågor bryter EMD adaptivt ner varje CT-strömvågform i enklare byggstenar kallade Intrinsic Mode Functions. Dessa komponenter isolerar naturligt högfrekventa utbrott och subtila formförändringar som uppträder när en CT börjar mättas. Från dessa komponenter beräknar författarna en kompakt uppsättning beskrivande egenskaper: hur energi fördelas över frekvenser, hur "spetsig" eller sned vågen blir, hur dess momentanfrekvens hoppar och hur utspridd eller ordnad energin är över tiden. Tillsammans fångar dessa egenskaper både uppenbara och dolda tecken på mättnad som lätt kan undgå ett mänskligt öga.

Låta en smart klassificerare avgöra

När egenskaperna extraherats matas de in i en maskininlärningsmodell kallad Relevance Vector Machine (RVM) och, för jämförelse, en standard Support Vector Machine (SVM). Båda klassificerarna lär sig från 80 % av de simulerade fallen och testas sedan på återstående 20 %. RVM använder en bayesiansk ansats: den förkastar automatiskt ovidkommande egenskaper och behåller endast en liten uppsättning "relevance vectors" som är viktigast för beslutet. Detta ger en kompakt modell som ändå ger sannolikheter för om en given signal är normal, måttligt mättad eller svår mättad. Författarna visar att EMD-egenskaperna separerar dessa tre klasser tydligt vid visualisering, och att RVM kan nå ett beslut på ungefär 23,5 millisekunder—tillräckligt snabbt för att ligga långt före typiska reläbeslutstider på 50–60 millisekunder.

Hur bra det fungerar och vad som kommer härnäst

På tusentals testfall upptäcker båda klassificerarna CT-mättnad med mycket hög noggrannhet, men RVM presterar konsekvent bäst. Sammantaget klassificerar RVM korrekt i cirka 99,7 % av fallen, med särskilt stark prestanda i normala och måttligt mättade tillstånd där subtila förvrängningar är viktigast. Den behöver betydligt färre stödpunkt än SVM, vilket gör den beräkningsmässigt effektiv och attraktiv för realtidsanvändning i digitala reläer. Teamet har också byggt en laboratorieuppställning med hårdvara-i-slinga för att generera verkliga CT-vågformer under kontrollerade felvillkor, vilket banar väg för att validera metoden bortom simuleringar. Enkelt uttryckt visar studien att genom att kombinera adaptiv signaldekomposition med en slank, probabilistisk inlärningsmodell kan nätbolag upptäcka CT-mättnad tidigt och tillförlitligt—hjälpa skyddsreläer att fatta bättre, snabbare beslut och förbättra kraftnätets motståndskraft.

Citering: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

Nyckelord: strömuttransformator mättnad, skydd av kraftsystem, felsökning, empirisk modbrytning, maskininlärning i nät